Beskrivelse

Deep Learning er i dag kernen i mange af de mest banebrydende AI-løsninger – fra billedgenkendelse til avanceret dataanalyse. Dette kursus giver dig en praktisk, hands-on indføring i neurale netværk og gør dig i stand til selv at bygge, træne og evaluere deep learning-modeller i Python.

Vi starter med grundprincipperne i neurale netværk, herunder hvordan input, trænede vægte og aktiveringsfunktioner spiller sammen, og hvordan non-lineære aktiveringsfunktioner gør det muligt at lære komplekse mønstre i data. Du får et overblik over de vigtigste arkitekturer – feedforward modeller, MLP og CNN – så du ser, hvor deep learning bruges i praksis.

Herefter arbejder vi hands-on med et moderne framework: typisk TensorFlow/Keras (pga. dets brugervenlige high-level API), men vi ser også eksempler i PyTorch, som er meget udbredt i forskning og industri. Du bygger dine egne modeller fra bunden, træner dem på datasæt fra bl.a. MNIST, og lærer at forstå nøglebegreber som epochs, batch size, optimizers og loss functions.

Vi dykker derefter ned i teknikker til at forbedre modellerne, herunder regularisering (dropout, L2), early stopping og brug af valideringsdata. Du lærer også at tune hyperparametre og bruge værktøjer som TensorBoard til at visualisere og optimere træningen.

Endelig introducerer vi interpretability og ansvarlig brug, hvor du lærer at anvende metoder som SHAP og LIME til at forklare modeladfærd og diskutere udfordringer ved at sætte deep learning i produktion.

Efter kurset kan du:

• Forklare hvordan neurale netværk er opbygget og trænes
• Implementere deep learning-modeller med TensorFlow/Keras og PyTorch
• Løse billed- og tekstklassifikationsopgaver med moderne netværksarkitekturer
• Bruge regularisering, hyperparameter-tuning og visualisering til at optimere modeller
• Forklare modeladfærd med SHAP/LIME og diskutere ansvarlig brug i praksis

Tilhørende exam

TSU-640 - Deep Learning og Neurale Netværk

Forudsætninger

Viden svarende til kurset NS0630 Machine Learning Fundamentals

Modul 1  Fundamentals of Neural Networks

•  
• From input to output: forward propagation
• Activation functions, model layers, and non-linearity
• Types of networks: feedforward, MLP, and CNN

Modul 2  Deep Learning with Keras and PyTorch

•  
• Building sequential models: layers, optimizer, loss, epochs
• Training and evaluation on example datasets (e.g., MNIST)
• Visualizing training and adjusting parameters

Modul 3  Overfitting and Regularization

•  
• Dropout, L2 regularization, and early stopping
• Using validation data and learning curves
• Hands-on: reduce overfitting in your model

Modul 4  Image Recognition with Convolutional Neural Networks

•  
• Convolution and pooling (Average Pooling, Max Pooling)
• Architecture and design of simple CNN models
• Case: classification with CIFAR-10 or Fashion-MNIST

Modul 5   Transfer Learning

•  
• Using pre-trained models as a starting point for new tasks (e.g., image or text classification)
• Fine-tuning the final layers of a neural network to adapt to your own data
• Practical examples with TensorFlow

Modul 6  Hyperparameter Tuning and Performance Optimization

•  
• Batch size, learning rate, number of layers/neurons
• TensorBoard or similar tools
• Experiments and visualization of results

Modul 7  Explainability and Responsible Use

•  
• Gaining insights into model decisions
• Using SHAP/LIME for model explanation
• Considerations when applying deep learning in production

Modul 8  Model Persistence and Deployment

•  
• Saving and reloading models with Keras (.h5) or PyTorch (.pt)
• Handling model architecture vs. weights
• Simple integration into applications (e.g., REST API with Flask or batch jobs)